ما در عصر دادهها و بینشهای بیدرنگ زندگی میکنیم که توسط برنامههای کاربردی جریان داده با تاخیر کم هدایت میشود. امروزه همه انتظار تجربه شخصی سازی شده در هر اپلیکیشنی را دارند و سازمان ها دائما در حال نوآوری برای افزایش سرعت عملیات تجاری و تصمیم گیری خود هستند. حجم دادههای حساس به زمان تولید شده به سرعت در حال افزایش است و فرمتهای متفاوتی از دادهها در بین مشاغل جدید و موارد استفاده مشتری معرفی میشوند. بنابراین، برای سازمانها بسیار مهم است که از یک زیرساخت جریان داده با تأخیر کم، مقیاسپذیر و قابل اعتماد برای ارائه برنامههای کاربردی تجاری در زمان واقعی و تجارب بهتر مشتری استفاده کنند.
این اولین پست به یک سری وبلاگ است که الگوهای معماری رایج را در ساخت زیرساختهای جریان داده در زمان واقعی با استفاده از Kinesis Data Streams برای طیف وسیعی از موارد استفاده میکند. هدف آن ارائه چارچوبی برای ایجاد برنامههای پخش جریانی با تأخیر پایین با استفاده از AWS Cloud است آمازون کینزیس جریان داده و خدمات تجزیه و تحلیل داده هدفمند AWS.
در این پست، الگوهای معماری رایج دو مورد استفاده را بررسی خواهیم کرد: تجزیه و تحلیل داده های سری زمانی و میکروسرویس های رویداد محور. در پست بعدی مجموعه ما، الگوهای معماری در ساخت خطوط لوله جریان برای داشبوردهای بیدرنگ، عامل مرکز تماس، دادههای دفتر کل، توصیههای بلادرنگ شخصیسازی شده، تجزیه و تحلیل گزارش، دادههای اینترنت اشیا، تغییر ضبط داده و واقعی را بررسی خواهیم کرد. داده های بازاریابی زمان همه این الگوهای معماری با Amazon Kinesis Data Streams یکپارچه شده اند.
پخش در زمان واقعی با Kinesis Data Streams
Amazon Kinesis Data Streams یک سرویس داده جریانی بدون سرور بومی ابری است که ضبط، پردازش و ذخیره داده های بلادرنگ را در هر مقیاسی آسان می کند. با Kinesis Data Streams، میتوانید صدها گیگابایت داده در ثانیه را از صدها هزار منبع جمعآوری و پردازش کنید و به شما این امکان را میدهد که به راحتی برنامههایی بنویسید که اطلاعات را در زمان واقعی پردازش میکنند. دادههای جمعآوریشده در میلیثانیه در دسترس هستند تا موارد استفاده از تجزیه و تحلیل بلادرنگ، مانند داشبوردهای بیدرنگ، تشخیص ناهنجاری بلادرنگ، و قیمتگذاری پویا را امکانپذیر کند. به طور پیش فرض، داده های موجود در Kinesis Data Stream به مدت 24 ساعت با گزینه ای برای افزایش نگهداری داده ها به 365 روز ذخیره می شود. اگر مشتریان بخواهند همان داده ها را در زمان واقعی با چندین برنامه پردازش کنند، می توانند از ویژگی Enhanced Fan-Out (EFO) استفاده کنند. قبل از این ویژگی، هر برنامهای که دادههای جریان را مصرف میکرد، خروجی 2 مگابایت/ثانیه/شارد را به اشتراک میگذاشت. با پیکربندی مصرفکنندگان جریان برای استفاده از فنآوت پیشرفته، هر مصرفکننده داده 2 مگابایت بر ثانیه خروجی خواندن اختصاصی در هر قطعه را دریافت میکند تا تأخیر در بازیابی دادهها را کاهش دهد.
برای در دسترس بودن و دوام بالا، Kinesis Data Streams با تکرار همزمان داده های جریانی در سه منطقه دسترسی در یک منطقه AWS به دوام بالایی دست می یابد و به شما این امکان را می دهد که داده ها را تا 365 روز حفظ کنید. برای امنیت، Kinesis Data Streams رمزگذاری سمت سرور را ارائه میکند تا بتوانید با رمزگذاری دادههای خود در حالت استراحت و نقاط پایانی رابط Virtual Private Cloud (VPC) آمازون، الزامات مدیریت داده سختگیرانه را برآورده کنید تا ترافیک بین Amazon VPC و Kinesis Data Streams را خصوصی نگه دارید.
Kinesis Data Streams دارای ادغام بومی با سایر خدمات AWS مانند چسب AWS و پل رویداد آمازون برای ساخت برنامه های پخش بلادرنگ در AWS. برای جزئیات بیشتر به ادغامهای Amazon Kinesis Data Streams مراجعه کنید.
معماری مدرن جریان داده با Kinesis Data Streams
معماری مدرن جریان داده با Kinesis Data Streams را می توان به صورت پشته ای از پنج لایه منطقی طراحی کرد. هر لایه از چندین مؤلفه ساخته شده برای هدف تشکیل شده است که نیازهای خاصی را برآورده می کند، همانطور که در نمودار زیر نشان داده شده است:
معماری از اجزای کلیدی زیر تشکیل شده است:
- منابع جریان – منبع دادههای جریانی شما شامل منابع دادهای مانند دادههای جریان کلیک، حسگرها، رسانههای اجتماعی، دستگاههای اینترنت اشیا (IoT)، فایلهای گزارش تولید شده با استفاده از وب و برنامههای تلفن همراه شما، و دستگاههای تلفن همراهی است که دادههای نیمه ساختاریافته و بدون ساختار را به عنوان جریانهای پیوسته تولید میکنند. در سرعت بالا
- مصرف جریان - لایه جذب جریان، مسئول ورود داده ها به لایه ذخیره سازی جریان است. این توانایی جمع آوری داده ها از ده ها هزار منبع داده و دریافت در زمان واقعی را فراهم می کند. می توانید استفاده کنید Kinesis SDK برای دریافت جریان داده از طریق API ها، کتابخانه تولید کننده Kinesis برای ساخت تولیدکنندگان پخش جریانی با کارایی بالا و طولانی مدت، یا الف عامل Kinesis برای جمعآوری مجموعهای از فایلها و ورود آنها به Kinesis Data Streams. علاوه بر این، می توانید از بسیاری از ادغام های پیش ساخته مانند سرویس مهاجرت پایگاه داده AWS (AWS DMS), آمازون DynamoDBو AWS IoT Core برای دریافت داده ها به صورت بدون کد. همچنین می توانید داده ها را از پلتفرم های شخص ثالث مانند Apache Spark و Apache Kafka Connect دریافت کنید.
- ذخیره سازی جریان - Kinesis Data Streams دو حالت را برای پشتیبانی از توان داده ارائه می دهد: بر حسب تقاضا و ارائه شده. حالت درخواستی، که اکنون انتخاب پیشفرض است، میتواند به صورت کشسانی برای جذب توان عملیاتی متغیر مقیاس شود، به طوری که مشتریان نیازی به نگرانی در مورد مدیریت ظرفیت و پرداخت با توان داده نداشته باشند. حالت درخواستی بهطور خودکار ظرفیت جریان را 2 برابر بیشتر از حداکثر مصرف دادههای تاریخی آن افزایش میدهد تا ظرفیت کافی برای جهشهای غیرمنتظره در مصرف دادهها را فراهم کند. از طرف دیگر، مشتریانی که خواهان کنترل گرانول بر منابع جریان هستند، میتوانند از حالت Provisioned استفاده کنند و به طور فعال تعداد Shards را برای برآوردن نیازهای توان عملیاتی خود افزایش و کاهش دهند. علاوه بر این، Kinesis Data Streams می تواند به طور پیش فرض داده های جریان را تا 24 ساعت ذخیره کند، اما بسته به موارد استفاده می تواند تا 7 روز یا 365 روز افزایش یابد. چندین برنامه می توانند جریان یکسانی را مصرف کنند.
- پردازش جریان - لایه پردازش جریان مسئول تبدیل داده ها به حالت مصرفی از طریق اعتبارسنجی داده ها، پاکسازی، عادی سازی، تبدیل و غنی سازی است. سوابق پخش جریانی به ترتیبی که تولید میشوند خوانده میشوند و امکان تجزیه و تحلیل در زمان واقعی، ساخت برنامههای مبتنی بر رویداد یا پخش ETL (استخراج، تبدیل و بارگذاری) را فراهم میکنند. شما می توانید استفاده کنید سرویس مدیریت آمازون برای Apache Flink برای پردازش داده های جریانی پیچیده، AWS لامبدا برای پردازش داده های جریانی بدون حالت، و چسب AWS & آمازون EMR برای محاسبه زمان واقعی شما همچنین می توانید برنامه های کاربردی مصرف کننده سفارشی سازی کنید کتابخانه مصرف کننده Kinesis، که از بسیاری از وظایف پیچیده مرتبط با محاسبات توزیع شده مراقبت می کند.
- مقصد – لایه مقصد بسته به مورد استفاده شما مانند یک مقصد ساخته شده است. شما می توانید داده ها را مستقیماً به آن استریم کنید آمازون Redshift برای انبار داده و Amazon EventBridge برای ساخت برنامه های رویداد محور. همچنین می توانید استفاده کنید Amazon Kinesis Data Firehose برای یکپارچه سازی استریم که در آن می توانید پردازش جریانی را با AWS Lambda روشن کنید و سپس جریان پردازش شده را به مقصدهایی مانند آمازون S3 دریاچه داده، سرویس OpenSearch برای تجزیه و تحلیل عملیاتی، انبار داده Redshift، پایگاه داده های No-SQL مانند Amazon DynamoDB و پایگاه های داده رابطه ای مانند آمازون RDS برای مصرف جریان های بلادرنگ در برنامه های تجاری. مقصد میتواند یک برنامه رویداد محور برای داشبوردهای بیدرنگ، تصمیمگیریهای خودکار بر اساس دادههای جریان پردازششده، تغییر در زمان واقعی و موارد دیگر باشد.
معماری تحلیلی بیدرنگ برای سریهای زمانی
دادههای سری زمانی مجموعهای از نقاط دادهای هستند که در یک بازه زمانی برای اندازهگیری رویدادهایی که در طول زمان تغییر میکنند، ثبت میشوند. به عنوان مثال، قیمت سهام در طول زمان، جریان کلیک صفحه وب، و گزارش دستگاه در طول زمان است. مشتریان می توانند از داده های سری زمانی برای نظارت بر تغییرات در طول زمان استفاده کنند، به طوری که می توانند ناهنجاری ها را شناسایی کنند، الگوها را شناسایی کنند و چگونگی تأثیرگذاری متغیرهای خاص در طول زمان را تجزیه و تحلیل کنند. دادههای سری زمانی معمولاً از منابع متعدد در حجمهای بالا تولید میشوند و باید به صورت مقرونبهصرفه در زمان واقعی جمعآوری شوند.
به طور معمول، سه هدف اصلی وجود دارد که مشتریان می خواهند در پردازش داده های سری زمانی به آنها دست یابند:
- در زمان واقعی عملکرد سیستم را به دست آورید و ناهنجاری ها را شناسایی کنید
- رفتار کاربر نهایی را برای ردیابی روندها و پرس و جو/ ایجاد تجسم از این بینش ها درک کنید
- یک راه حل ذخیره سازی بادوام برای جذب و ذخیره داده های بایگانی و پر دسترسی داشته باشید.
با Kinesis Data Streams، مشتریان می توانند به طور مداوم از هزاران منبع برای تمیز کردن، غنی سازی، ذخیره سازی، تجزیه و تحلیل و تجسم، ترابایت داده سری زمانی را ضبط کنند.
الگوی معماری زیر نشان میدهد که چگونه میتوان به تحلیل زمان واقعی برای دادههای سری زمانی با جریانهای داده Kinesis دست یافت:
مراحل گردش کار به شرح زیر است:
- جذب و ذخیره داده - Kinesis Data Streams می تواند به طور مداوم ترابایت داده را از هزاران منبع گرفته و ذخیره کند.
- پردازش جریانی – برنامه ای که با سرویس مدیریت آمازون برای Apache Flink می تواند سوابق را از جریان داده بخواند تا هرگونه خطا در داده های سری زمانی را شناسایی و پاک کند و داده ها را با ابرداده های خاص برای بهینه سازی تجزیه و تحلیل عملیاتی غنی کند. استفاده از یک جریان داده در وسط مزیت استفاده از داده های سری زمانی را در سایر فرآیندها و راه حل ها به طور همزمان فراهم می کند. سپس یک تابع Lambda با این رویدادها فراخوانی می شود و می تواند محاسبات سری زمانی را در حافظه انجام دهد.
- مقصدهای - پس از تمیز کردن و غنی سازی، داده های سری زمانی پردازش شده را می توان به جریان انداخت آمازون تایم استریم پایگاه داده برای داشبورد و تجزیه و تحلیل بلادرنگ یا ذخیره شده در پایگاه داده هایی مانند DynamoDB برای پرس و جوی کاربر نهایی. داده های خام را می توان برای بایگانی در آمازون S3 پخش کرد.
- تجسم و به دست آوردن بینش - مشتریان می توانند با استفاده از آن پرس و جو کنند، تجسم کنند و هشدار ایجاد کنند سرویس مدیریت آمازون برای Grafana. Grafana از منابع داده ای پشتیبانی می کند که پشتیبان ذخیره سازی برای داده های سری زمانی هستند. برای دسترسی به داده های خود از Timestream، باید افزونه Timestream را برای Grafana نصب کنید. کاربران نهایی میتوانند دادهها را از جدول DynamoDB جستجو کنند دروازه API آمازون به عنوان یک نماینده عمل می کند.
به مراجعه پردازش نزدیک به زمان واقعی با Amazon Kinesis، Amazon Timestream و Grafana نمایش یک خط لوله جریان بدون سرور برای پردازش و ذخیره داده های تله متری دستگاه اینترنت اشیا در یک فروشگاه داده بهینه شده سری زمانی مانند آمازون تایم استریم.
غنیسازی و پخش مجدد دادهها در زمان واقعی برای ریزسرویسهای منبع رویداد
میکروسرویسها یک رویکرد معماری و سازمانی برای توسعه نرمافزار هستند که در آن نرمافزار از سرویسهای مستقل کوچکی تشکیل شده است که از طریق APIهای کاملاً تعریف شده ارتباط برقرار میکنند. هنگام ساخت میکروسرویس های رویداد محور، مشتریان می خواهند به 1. مقیاس پذیری بالا برای رسیدگی به حجم رویدادهای دریافتی و 2. قابلیت اطمینان پردازش رویداد و حفظ عملکرد سیستم در مواجهه با خرابی ها دست یابند.
مشتریان از الگوهای معماری میکروسرویس برای تسریع نوآوری و زمان رسیدن به بازار برای ویژگیهای جدید استفاده میکنند، زیرا مقیاسپذیری برنامهها را آسانتر و توسعه سریعتر میکند. با این حال، غنیسازی و پخش مجدد دادهها در تماس شبکه با یک میکروسرویس دیگر چالش برانگیز است زیرا میتواند بر قابلیت اطمینان برنامه تأثیر بگذارد و اشکالزدایی و ردیابی خطاها را دشوار کند. برای حل این مشکل، منبع رویداد یک الگوی طراحی موثر است که سوابق تاریخی همه تغییرات حالت را برای غنیسازی و پخش مجدد متمرکز میکند و از بارهای کاری نوشتن جدا میکند. مشتریان میتوانند از Kinesis Data Streams بهعنوان فروشگاه متمرکز رویداد برای ریزسرویسهای منبع رویداد استفاده کنند، زیرا KDS میتواند 1/2 گیگابایت توان داده در هر جریان را مدیریت کند و دادهها را در میلیثانیه پخش کند، تا نیاز به مقیاسپذیری بالا و تقریباً زمان واقعی را برآورده کند. تأخیر، 3/ ادغام با Flink و S3 برای غنیسازی و دستیابی به دادهها در حالی که به طور کامل از میکروسرویسها جدا شدهاند، و 24/ اجازه میدهند دوباره و ناهمزمان خوانده شوند، زیرا KDS رکورد دادهها را برای 365 ساعت پیشفرض و به صورت اختیاری حفظ میکند. تا XNUMX روز
الگوی معماری زیر یک تصویر کلی از نحوه استفاده از جریان داده های Kinesis برای میکروسرویس های منبع رویداد است:
مراحل در گردش کار به شرح زیر است:
- جذب و ذخیره داده ها – میتوانید ورودیهای میکروسرویسهای خود را به جریانهای داده Kinesis خود برای ذخیرهسازی تجمیع کنید.
- پردازش جریان - Apache Flink Stateful Functions ساخت برنامه های کاربردی مبتنی بر رویداد حالتی توزیع شده را ساده می کند. می تواند رویدادها را از یک جریان داده Kinesis ورودی دریافت کند و جریان حاصل را به جریان داده خروجی هدایت کند. میتوانید با Apache Flink یک خوشه توابع حالتپذیر بر اساس منطق کسبوکار برنامهتان ایجاد کنید.
- عکس فوری وضعیت در آمازون S3 - می توانید عکس فوری وضعیت را در آمازون S3 برای ردیابی ذخیره کنید.
- جریان های خروجی - جریان های خروجی را می توان از طریق توابع راه دور Lambda از طریق پروتکل HTTP/gRPC از طریق دروازه API مصرف کرد.
- عملکردهای لامبدا از راه دور - توابع لامبدا می توانند به عنوان میکروسرویس برای برنامه های کاربردی مختلف و منطق تجاری برای ارائه برنامه های کاربردی تجاری و برنامه های تلفن همراه عمل کنند.
برای اطلاع از نحوه ساخت سایر مشتریان میکروسرویس های مبتنی بر رویداد با Kinesis Data Streams، به موارد زیر مراجعه کنید:
ملاحظات کلیدی و بهترین شیوه ها
موارد زیر ملاحظات و بهترین شیوه هایی است که باید در نظر داشته باشید:
- کشف داده ها باید اولین قدم شما در ساخت برنامه های مدرن جریان داده باشد. شما باید ارزش کسب و کار را تعریف کنید و سپس منابع داده های جریانی و شخصیت های کاربر را شناسایی کنید تا به نتایج کسب و کار مورد نظر برسید.
- ابزار جذب دادههای جریانی خود را بر اساس منبع دادههای استیمینگ خود انتخاب کنید. برای مثال می توانید از Kinesis SDK برای دریافت جریان داده از طریق API ها، کتابخانه تولید کننده Kinesis برای ساخت تولیدکنندگان جریان با کارایی بالا و طولانی مدت، الف عامل Kinesis برای جمعآوری مجموعهای از فایلها و ورود آنها به Kinesis Data Streams، AWS DMS برای موارد استفاده از جریان CDC، و AWS IoT Core برای وارد کردن داده های دستگاه اینترنت اشیا به جریان های داده Kinesis. میتوانید دادههای جریان را مستقیماً به Amazon Redshift وارد کنید تا برنامههای پخش جریانی با تأخیر کم ایجاد کنید. همچنین میتوانید از کتابخانههای شخص ثالث مانند Apache Spark و Apache Kafka برای وارد کردن جریان دادهها به Kinesis Data Streams استفاده کنید.
- شما باید خدمات پردازش داده های جریانی خود را بر اساس موارد استفاده خاص و الزامات تجاری خود انتخاب کنید. به عنوان مثال، میتوانید از سرویس مدیریت آمازون Kinesis برای Apache Flink برای موارد استفاده از جریان پیشرفته با مقصدهای پخش چندگانه و پردازش جریانی پیچیده و یا اگر میخواهید معیارهای کسب و کار را در زمان واقعی (مانند هر ساعت) نظارت کنید، استفاده کنید. لامبدا برای پردازش مبتنی بر رویداد و بدون حالت خوب است. شما می توانید استفاده کنید آمازون EMR برای پردازش داده های جریانی برای استفاده از چارچوب های منبع باز منبع باز مورد علاقه خود. چسب AWS برای پردازش دادههای جریانی در زمان واقعی برای موارد استفاده مانند جریان ETL خوب است.
- Kinesis Data Streams حالت درخواستی را بر اساس استفاده شارژ میکند و بهطور خودکار ظرفیت منابع را افزایش میدهد، بنابراین برای حجمهای کاری پراکنده و نگهداری بدون هندز مناسب است. حالت تدارکاتی بر اساس ظرفیت شارژ می شود و به مدیریت ظرفیت فعال نیاز دارد، بنابراین برای بارهای کاری پخش قابل پیش بینی خوب است.
- شما می توانید با استفاده از ماشین حساب مشترک Kinesis برای محاسبه تعداد خرده های مورد نیاز برای حالت تدارک دیده شده. لازم نیست نگران خردههای با حالت درخواستی باشید.
- هنگام اعطای مجوزها، شما تصمیم می گیرید که چه کسی چه مجوزهایی را برای منابع Kinesis Data Streams دریافت کند. شما اقدامات خاصی را فعال میکنید که میخواهید در آن منابع اجازه دهید. بنابراین، شما باید فقط مجوزهایی را که برای انجام یک کار مورد نیاز است، اعطا کنید. همچنین می توانید با استفاده از کلید مدیریت شده توسط مشتری KMS (CMK) داده ها را در حالت استراحت رمزگذاری کنید.
- تو می توانی به روز رسانی دوره نگهداری از طریق کنسول Kinesis Data Streams یا با استفاده از IncreaseStreamRetentionPeriod و DecreaseStreamRetentionPeriod عملیات بر اساس موارد استفاده خاص شما.
- Kinesis Data Streams پشتیبانی می کند رنگ آمیزی مجدد. API توصیه شده برای این تابع است UpdateShardCount، که به شما امکان می دهد تعداد خرده ها را در جریان خود تغییر دهید تا با تغییرات نرخ جریان داده از طریق جریان سازگار شوید. APIهای ریشاردینگ (تقسیم و ادغام) معمولاً برای رسیدگی به خردههای داغ استفاده میشوند.
نتیجه
این پست الگوهای معماری مختلفی را برای ساخت برنامههای پخش جریانی با تأخیر کم با Kinesis Data Streams نشان میدهد. میتوانید با استفاده از اطلاعات این پست، برنامههای استیمینگ با تأخیر کم خود را با Kinesis Data Streams بسازید.
برای جزئیات الگوهای معماری، به منابع زیر مراجعه کنید:
اگر می خواهید یک چشم انداز و استراتژی داده بسازید، آن را بررسی کنید همه چیز مبتنی بر داده AWS برنامه (D2E).
درباره نویسنده
راگاواراو سوداباتینا معمار راه حل های اصلی در AWS است که بر تجزیه و تحلیل داده ها، AI/ML و امنیت ابر تمرکز دارد. او با مشتریان درگیر می شود تا راه حل های نوآورانه ای ایجاد کند که به مشکلات تجاری مشتری رسیدگی کند و پذیرش خدمات AWS را تسریع بخشد. راگاوارائو در اوقات فراغت خود از گذراندن وقت با خانواده، خواندن کتاب و تماشای فیلم لذت می برد.
زو را آویزان کن یک مدیر ارشد محصول در تیم آمازون Kinesis Data Streams در خدمات وب آمازون است. او مشتاق توسعه تجربیات محصول بصری است که مشکلات پیچیده مشتری را حل می کند و مشتریان را قادر می سازد به اهداف تجاری خود دست یابند.
شوتا راداکریشنان یک معمار راه حل برای AWS با تمرکز بر تجزیه و تحلیل داده ها است. او راهحلهایی میسازد که پذیرش ابر را هدایت میکند و به سازمانها کمک میکند تا تصمیمهای مبتنی بر داده را در بخش عمومی بگیرند. خارج از محل کار، او عاشق رقصیدن، گذراندن وقت با دوستان و خانواده و مسافرت است.
بریتنی لی یک معمار راه حل در AWS است. او بر کمک به مشتریان سازمانی در مسیر پذیرش و نوسازی ابر متمرکز است و به حوزه امنیت و تجزیه و تحلیل علاقه دارد. در خارج از محل کار، او دوست دارد با سگش وقت بگذراند و ترشی بال بازی کند.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
- PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
- PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/big-data/architectural-patterns-for-real-time-analytics-using-amazon-kinesis-data-streams-part-1/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 1
- 100
- 24
- 7
- a
- توانایی
- درباره ما
- شتاب دادن
- دسترسی
- قابل دسترسی است
- رسیدن
- دست
- دستیابی به
- دستیابی به
- در میان
- عمل
- بازیگری
- اقدامات
- وفق دادن
- اضافه
- اضافی
- علاوه بر این
- نشانی
- اتخاذ
- پیشرفته
- مزیت - فایده - سود - منفعت
- پس از
- سن
- عامل
- تجمیع
- AI / ML
- اهداف
- تصویر، موسیقی
- معرفی
- اجازه دادن
- اجازه دادن
- اجازه می دهد تا
- همچنین
- آمازون
- آمازون کینسیس
- آمازون تایم استریم
- آمازون خدمات وب
- an
- تحلیل
- علم تجزیه و تحلیل
- تحلیل
- و
- تشخیص ناهنجاری
- دیگر
- هر
- آپاچی
- آپاچی کافکا
- جرقه آپاچی
- API
- رابط های برنامه کاربردی
- کاربرد
- برنامه های کاربردی
- روش
- برنامه های
- معماری
- معماری
- هستند
- AS
- مرتبط است
- At
- اتوماتیک
- بطور خودکار
- دسترس پذیری
- در دسترس
- AWS
- چسب AWS
- AWS لامبدا
- مستقر
- BE
- زیرا
- بوده
- رفتار
- بودن
- بهترین
- بهترین شیوه
- بهتر
- میان
- بزرگ
- بزرگ داده
- بلاگ
- کتاب
- هر دو
- ساختن
- بنا
- ساخته
- کسب و کار
- برنامه های تجاری
- کسب و کار
- اما
- by
- محاسبه
- صدا
- CAN
- ظرفیت
- گرفتن
- اهميت دادن
- مورد
- موارد
- CDC
- مرکز
- متمرکز
- معین
- به چالش کشیدن
- تغییر دادن
- تبادل
- بار
- بررسی
- انتخاب
- را انتخاب کنید
- تمیز
- تمیز کاری
- ابر
- پذیرش ابر
- امنیت ابر
- خوشه
- جمع آوری
- جمع آوری
- مشترک
- ارتباط
- به طور کامل
- پیچیده
- اجزاء
- مرکب
- محاسبه
- محاسبه
- علاقمند
- پیکربندی
- ملاحظات
- تشکیل شده است
- کنسول
- به طور مداوم
- مصرف
- مصرف
- مصرف کننده
- مصرف کنندگان
- تماس
- تماس با مرکز
- مداوم
- به طور مداوم
- کنترل
- ایجاد
- ایجاد شده
- بحرانی
- مشتری
- مشتریان
- سفارشی
- رقص
- داشبورد
- داده ها
- تحلیل داده ها
- تجزیه و تحلیل داده ها
- غنی سازی داده ها
- دریاچه دریاچه
- مدیریت اطلاعات
- نقاط داده
- پردازش داده ها
- انبار داده
- داده محور
- پایگاه داده
- پایگاه های داده
- روز
- تصمیم گیری
- تصمیم
- تصمیم گیری
- تصمیم گیری
- جداسازی شده
- اختصاصی
- به طور پیش فرض
- تعريف كردن
- ارائه
- نشان
- بستگی دارد
- طرح
- طراحی
- مطلوب
- مقصد
- مقصدهای
- دقیق
- جزئیات
- تشخیص
- کشف
- توسعه
- در حال توسعه
- پروژه
- دستگاه
- دستگاه ها
- مختلف
- مشکل
- مستقیما
- کشف
- توزیع شده
- محاسبات توزیع شده
- do
- سگ
- آیا
- پایین
- راندن
- رانده
- دوام
- پویا
- هر
- آسان تر
- به آسانی
- ساده
- موثر
- در اغوش گرفتن
- قادر ساختن
- رمزگذاری
- نقاط پایان
- درگیر می شود
- افزایش
- غنی سازی
- سرمایه گذاری
- مشتریان سازمانی
- خطاهای
- اتر (ETH)
- واقعه
- حوادث
- هر
- هر کس
- مثال
- مثال ها
- انتظار می رود
- تجربه
- تجارب
- اکتشاف
- گسترش
- عصاره
- چهره
- شکست
- خانواده
- روش
- سریعتر
- محبوب
- ویژگی
- امکانات
- رشته
- فایل ها
- نام خانوادگی
- پنج
- جریان
- تمرکز
- متمرکز شده است
- تمرکز
- پیروی
- به دنبال آن است
- برای
- چارچوب
- چارچوب
- غالبا
- دوستان
- از جانب
- تابع
- قابلیت
- توابع
- بیشتر
- افزایش
- دروازه
- تولید می کنند
- تولید
- گرفتن
- GitHub
- می دهد
- اهداف
- خوب
- اعطا کردن
- اعطای
- دسته
- آویزان کردن
- he
- کمک
- کمک
- او
- زیاد
- عملکرد بالا
- خود را
- تاریخی
- HOT
- ساعت
- ساعت ها
- چگونه
- اما
- HTML
- HTTP
- HTTPS
- صدها نفر
- شناسایی
- if
- نشان می دهد
- تأثیر
- in
- در دیگر
- شامل
- وارد شونده
- افزایش
- افزایش
- مستقل
- تحت تاثیر قرار گرفت
- اطلاعات
- شالوده
- شالوده
- نوآوری
- ابداع
- ابتکاری
- ورودی
- بینش
- نصب
- ادغام
- یکپارچه
- ادغام
- یکپارچگی
- علاقه
- رابط
- اینترنت
- اینترنت از چیزهایی که
- به
- معرفی
- حسی
- استناد کرد
- اینترنت اشیا
- دستگاه اینترنت اشیا
- IT
- ITS
- سفر
- JPG
- کافکا
- نگاه داشتن
- کلید
- جریان داده های Kinesis
- دریاچه
- تاخیر
- بعد
- لایه
- لایه
- یاد گرفتن
- دفتر کل
- کتابخانه ها
- کتابخانه
- سبک
- پسندیدن
- زندگی
- بار
- ورود به سیستم
- منطق
- منطقی
- دوست دارد
- حفظ
- نگهداری
- ساخت
- باعث می شود
- ساخت
- اداره می شود
- مدیریت
- مدیر
- بسیاری
- بازار یابی (Marketing)
- بیشترین
- اندازه گیری
- رسانه ها
- دیدار
- حافظه
- ادغام کردن
- متاداده
- متریک
- خدمات میکرو
- متوسط
- مهاجرت
- میلی ثانیه
- ذهن
- موبایل
- برنامه های موبایل
- دستگاه های تلفن همراه
- تلفن همراه برنامه های
- حالت
- مدرن
- نوسازی
- حالت های
- تغییر
- مانیتور
- بیش
- فیلم ها
- چندگانه
- باید
- بومی
- نزدیک
- نیاز
- ضروری
- نیازهای
- شبکه
- جدید
- ویژگی های جدید
- اکنون
- عدد
- of
- ارائه
- پیشنهادات
- on
- بر روی تقاضا
- فقط
- باز کن
- منبع باز
- عمل
- قابل استفاده
- عملیات
- بهینه سازی
- بهینه
- گزینه
- or
- سفارش
- سازمانی
- سازمان های
- دیگر
- ما
- خارج
- نتایج
- تولید
- خارج از
- روی
- خود
- بخش
- احساساتی
- الگو
- الگوهای
- پرداخت
- برای
- انجام دادن
- کارایی
- مجوز
- شخصی
- لوله
- خط لوله
- سیستم عامل
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازی
- پلاگین
- نقطه
- پست
- شیوه های
- قابل پیش بینی
- قیمت
- قیمت گذاری
- اصلی
- اصلی
- قبلا
- خصوصی
- بلادرنگ
- مشکل
- مشکلات
- روند
- پردازش
- فرآیندهای
- در حال پردازش
- ساخته
- تهيه كننده
- تولید
- محصول
- مدیر تولید
- برنامه
- پروتکل
- ارائه
- فراهم می کند
- پروکسی
- عمومی
- محدوده
- سریعا
- نرخ
- خام
- داده های خام
- خواندن
- مطالعه
- واقعی
- زمان واقعی
- داده های زمان واقعی
- گرفتن
- دریافت
- توصیه
- توصیه می شود
- رکورد
- ثبت
- سوابق
- كاهش دادن
- مراجعه
- منطقه
- قابلیت اطمینان
- قابل اعتماد
- دور
- ضروری
- نیاز
- مورد نیاز
- نیاز
- منابع
- منابع
- مسئوليت
- REST
- نتیجه
- نگه داشتن
- حفظ می کند
- نگهداری
- این فایل نقد می نویسید:
- مسیر
- همان
- مقیاس پذیری
- مقیاس پذیر
- مقیاس
- مقیاس ها
- دوم
- بخش
- تیم امنیت لاتاری
- ارشد
- سنسور
- دنباله
- سلسله
- خدمت
- بدون سرور
- سرویس
- خدمات
- تنظیم
- به اشتراک گذاشته شده
- او
- باید
- نمایشگاه
- ساده می کند
- کوچک
- عکس فوری
- So
- آگاهی
- رسانه های اجتماعی
- نرم افزار
- توسعه نرم افزار
- راه حل
- مزایا
- حل
- منبع
- منابع
- جرقه
- خاص
- سرعت
- خرج کردن
- هزینه
- سنبله ها
- انشعاب
- پشته
- دولت
- گام
- مراحل
- موجودی
- ذخیره سازی
- opbevare
- ذخیره شده
- استراتژی
- جریان
- جریان
- جریان
- جریان
- سخت
- متعاقب
- چنین
- کافی
- پشتیبانی
- پشتیبانی از
- سیستم
- جدول
- گرفتن
- کار
- وظایف
- تیم
- ده ها
- که
- La
- اطلاعات
- دولت
- شان
- آنها
- سپس
- آنجا.
- از این رو
- اینها
- آنها
- اشیاء
- شخص ثالث
- این
- کسانی که
- هزاران نفر
- سه
- از طریق
- توان
- زمان
- سری زمانی
- حساس به زمان
- به
- امروز
- ابزار
- رد
- مسیر
- پیگردی
- ترافیک
- دگرگون کردن
- دگرگونی
- تبدیل شدن
- سفر
- روند
- دو
- به طور معمول
- غیر منتظره
- بر
- استفاده
- استفاده کنید
- مورد استفاده
- استفاده
- کاربر
- با استفاده از
- استفاده کنید
- اعتبار سنجی
- ارزش
- متغیر
- مختلف
- VeloCity
- از طريق
- مجازی
- دید
- تجسم
- تجسم
- حجم
- جلد
- می خواهم
- انبار کالا
- انبارداری
- تماشای
- we
- وب
- خدمات وب
- به خوبی تعریف شده است
- چی
- چه زمانی
- که
- در حین
- WHO
- وسیع
- دامنه گسترده
- اراده
- با
- در داخل
- مهاجرت کاری
- گردش کار
- نگرانی
- نوشتن
- شما
- شما
- زفیرنت
- مناطق